CN106157286A - 图像处理方法和屏幕漏光检测方法 - Google Patents

Abstract

本发明涉及一种图像检测方法，用于检测屏幕图像上的漏光区域，包括如下步骤：检测所述屏幕图像上的明暗边界以界定荧屏区和边框区；从所述明暗边界向荧屏区延伸设定宽度，并将获得的延伸区域进行等面积划分得到多个子区域；提取符合以下条件的子区域，将其作为漏光区域的边界：以所述子区域为中心的、设定大小的检测区内的像素灰度方差大于设定的方差阈值。本发明还涉及一种屏幕漏光检测方法。相比于传统的人工检测方法，本发明的方法可以实现自动化检测，提高了效率，并且不需要非常严苛的检测环境。同时，本发明的方法并不同于一般的轮廓检测算法，不仅检测精度更高，在采集的图像质量并不十分理想的情况下也能实现准确的检测。

Description

图像处理方法和屏幕漏光检测方法

技术领域

本发明涉及显示屏检测技术，特别是涉及一种图像处理方法和利用该图像处理方法的屏幕漏光检测方法。

背景技术

电视荧屏的检测在电视生产厂商中是一个需要多次确认的工序，即使在电视外壳封装后也还是需要再次点亮检测。因为在外壳封装工序中，对荧屏每个边角位置挤压过大或者过小，都有可能造成有不同程度的损坏和瑕疵，漏光是其中一种。

漏光，是指在一个完整显示器产品中，机壳边框和荧屏显示边缘交接处有较为明显的光溢出的现象。造成这个现象的原因可能是封装过程中的某些位置挤压不全、不准产生的，也可能是荧屏面积过大时变形产生的。在目前大电视作为主流产品的时代，漏光是一个常见又不可避免的缺陷，因此需要有相应的检测方法。

传统的漏光检测方法普遍是由人工将感应亮度的仪器贴近荧屏漏光位置，由仪器读出数值，再由人工根据此数值判断是否存在漏光缺陷。

这种方法需要在相当严格的黑场环境下才能正常的测试，否则可能会因为实际环境中周围的漏光而影响精准度。另外人工操作时，由于需要正确的贴实荧屏的表面来检测，因此将仪器的感光面的不平衡摆置也会造成数值读取差异。传统的人工检测方法稳定性不高，且效率较低。

发明内容

基于此，有必要提供一种稳定性和效率均较高的屏幕漏光检测方法。

此外，也提供一种图像处理方法。

一种图像检测方法，用于检测屏幕图像上的漏光区域，包括如下步骤：

检测所述屏幕图像上的明暗边界以界定荧屏区和边框区；

从所述明暗边界向荧屏区延伸设定宽度，并将获得的延伸区域进行等面积划分得到多个子区域；

提取符合以下条件的子区域，将其作为漏光区域的边界：

以所述子区域为中心的、设定大小的检测区内的像素灰度方差大于设定的方差阈值。

在其中一个实施例中，在检测所述屏幕图像上的明暗边界以界定荧屏区和边框区的步骤之前，还包括对所述屏幕图像进行滤波的步骤。

在其中一个实施例中，滤波的方法为均值滤波、中值滤波、高斯滤波或双线性滤波。

在其中一个实施例中，所述检测屏幕图像上的明暗边界以界定荧屏区和边框区的步骤具体包括：

提取所述屏幕图像上梯度变化大于设定的变化阈值的像素点集合；

将所述像素点集合中非连通区域滤除，获得所述明暗边界。

在其中一个实施例中，所述提取所述屏幕图像上梯度变化大于设定的变化阈值的像素点集合的步骤包括：

对于所述屏幕图像上的每个像素点，取以该像素点为中心的方形窗，计算所述方形窗中所有像素的灰度均值m(x,y)和方差d(x,y)，若该像素点的灰度g(x,y)满足以下条件，则将其加入明暗边界像素点集合：

g(x,y)≥m(x,y)+max{a*d(x,y),b}；

其中a代表的是方形窗内所有像素点灰度方差影响的程度，b代表的是荧屏区和边框区亮度差最小值。

在其中一个实施例中，还包括将所述明暗边界进行腐蚀以获得宽度更小的边界。

在其中一个实施例中，在获得明暗边界以后的步骤依次执行两次以上，后一次执行基于前一次执行的结果。

在其中一个实施例中，所述子区域为矩形区域，包含像素数量大于100。

在其中一个实施例中，所述设定大小的检测区为包括3×3和5×5个所述子区域的矩形区域，提取判断方法包括如下步骤：

计算所述包含3×3个所述子区域的矩形区域内的所有像素点的灰度均值和方差δ1；

计算所述包含5×5个所述子区域的矩形区域内的所有像素点的灰度均值和方差δ2；

判断所述方差δ1和方差δ2是否均大于设定的方差阈值，若是，则将中心区的子区域标记为漏光区域的边界；

或者提取判断方法包括如下步骤：

计算所述包含3×3个所述子区域的矩形区域内的位于对角线上的3个子区域的像素点的灰度均值和方差δ3；

计算所述包含5×5个所述子区域的矩形区域内的位于对角线上的5个子区域的像素点的灰度均值和方差δ4；

判断所述方差δ3和方差δ4是否均大于设定的方差阈值，若是，则将中心区的子区域标记为漏光区域的边界。

一种屏幕漏光检测方法，包括如下步骤：

在暗室中拍摄播放全白图像或仅显示背光的显示屏的图像；

采用如上所述的图像检测方法对拍摄得到的图像进行处理。

相比于传统的人工检测方法，上述方法基于进行图像处理的机器视觉，可以实现自动化检测，提高了效率，并且不需要非常严苛的检测环境。同时，上述屏幕漏光检测方法并不同于一般的轮廓检测算法，不仅检测精度更高，在采集的图像质量并不十分理想的情况下也能实现准确的检测，稳定性更高。

附图说明

图1为一实施例的图像处理方法流程图；

图2为屏幕图像示意图；

图3为明暗边界向荧屏区延伸宽度d的屏幕图像示意图；

图4为图3中P部分的局部放大图；

图5为图3中P部分所包含的漏光区的边界示意图；

图6为图2中的方形窗W的局部放大图；

图7为包含3×3个子区域的方形区域。

具体实施方式

由于人工利用亮度感应仪器检测屏幕漏光存在稳定性不高的问题，本发明采用机器视觉的方式检测屏幕上的漏光区域，该检测方式中涉及图像处理方法。

图1为一实施例的图像处理方法流程图。该图像处理方法可检测出漏光屏幕图像上的漏光区域。该图像处理方法以拍摄到的屏幕图像为基础进行处理。在拍摄屏幕图像时，将显示器置于亮度相对荧屏亮度较暗的均匀亮度环境中，例如全黑环境的暗室中。然后拍摄发光的显示器屏幕，显示器可显示全白背景或者仅有背光。拍摄的器材可采用工业相机，采集精度不宜太高，若太高会拍摄到显示屏表面的晶体管的轮廓。拍摄出来的效果尽量还原成人眼视觉效果为宜。一般地，可选用2900万像素的相机拍摄主流大小的显示屏，例如42寸、46寸、50寸以及55寸等。为了可控性高和使得亮度采集效果均匀，针对70寸或以上大小的显示屏，利用2个相机搭配35mm镜头完成拍摄。

针对拍摄出来的屏幕图像的处理方法包括以下步骤。

步骤S110：检测所述屏幕图像上的明暗边界以界定荧屏区和边框区。图2为一幅屏幕图像的示意图。参考图2，该屏幕图像100包括中央的荧屏区110和环绕荧屏区四周的边框区120，在荧屏区110和边框区120的部分交界处还可能存在因为屏幕漏光而拍摄得到的漏光区130。图2中，仅在荧屏区110的一边缘存在漏光区130。可以理解，漏光也可能存在于同一边缘的多处或者多个不同的边缘。当屏幕被点亮时，由于背光的存在，荧屏区110仍然会有光线。因此在拍摄到的屏幕图像中，荧屏区110的亮度会比边框区120的亮度高，二者之间存在明暗对比。而漏光则是背光直接漏出造成，比荧屏区110的亮度更高，漏光区130与荧屏区110、边框区120之间也存在明暗对比。

荧屏区110的边缘像素(亮度较高，属于荧屏区110)或者边框区120与荧屏区110交界的线框像素(亮度较低，属于边框区120)均可作为所述的明暗边界。因此明暗边界是一组像素的集合。

步骤S120：从所述明暗边界向荧屏区延伸设定宽度，并将获得的延伸区域进行等面积划分得到多个子区域。参考图3，从明暗边界向荧屏区110延伸宽度为d的带状区域，四边同时向内延伸则有4个带状区域A、B、C、D。将延伸区域(即4个带状区域A、B、C、D)进行等面积划分得到多个子区域。其中每个子区域都包含上百个像素。图4是图3的P部分的局部放大图。P部分位于带状区域A中，且包含漏光区域130的一部分。参考图4，位于带状区域A的P部分被划分为多个子区域112。可以看到，子区域112可能位于漏光区130，也可能位于荧屏区110的未漏光部分，还可能横跨这两个区域。

上述延伸宽度d以像素数衡量，根据实际情况进行选择。延伸宽度d与漏光区130的实际大小有关，也受屏幕图像被拍摄的效果影响。当拍摄器材的分辨率很高且拍摄距离很近，则显示屏的细节信息更多，单位尺寸内的像素更多，延伸宽度d包含更多的像素数。反之，若拍摄器材的分辨率很低且拍摄距离很远，则显示屏的细节信息较少，单位尺寸内的像素更少，延伸宽度d包含更少的像素。

从明暗边界向荧屏区110内可延伸一次或多次以完整包含该漏光区130。

上述划分子区域112的数量根据实际情况进行选择。子区域112的大小的选择受屏幕图像被拍摄的效果影响。当拍摄器材的分辨率很高且拍摄距离很近，则显示屏的细节信息更多，单位尺寸内的像素更多，在维持子区域112的总像素数差不多的情况下，子区域112的实际尺寸较小，也即会划分更多的子区域112。反之，若拍摄器材的分辨率很低且拍摄距离很远，则显示屏的细节信息较少，单位尺寸内的像素更少，在维持子区域112的总像素数差不多的情况下，子区域112的实际尺寸较大，也即会划分更少的子区域112。一般地，子区域包含的像素数量大于100。

步骤S130：提取符合以下条件的子区域，将其作为漏光区域的边界：以所述子区域为中心的、设定大小的检测区内的像素灰度方差大于设定阈值。检测区内的像素灰度方差体现该区域内像素灰度变化程度，当灰度变化大时，方差就大，说明像素灰度多变；当灰度变化小时，方差就小，说明整个检测区内的像素灰度比较一致或非常接近。处于漏光区域边界上的子区域(也即横跨漏光区130和荧屏区110上的非漏光区的子区域)，以其为中心划设检测区，基本上该检测区内包含的漏光区像素和非漏光区像素的数量最为接近，检测区的像素灰度方差也较大，通过设置合适的方差阈值，就可以将漏光区域边界上的子区域提取出来，并且最终获得漏光区域的区块型边界，进而确定漏光区130，如图5所示。

在步骤S110中，采用以下步骤确定明暗边界。

步骤S112：提取所述屏幕图像上梯度变化大于设定的变化阈值的像素点集合。本实施例具体采用以下方式进行计算：对于所述屏幕图像上的每个像素点，取以该像素点为中心的方形窗，计算所述方形窗中所有像素的灰度均值m(x,y)和方差d(x,y)，若该像素点的灰度g(x,y)满足以下条件，则将其加入像素点集合：

g(x,y)≥m(x,y)+max{a*d(x,y),b}；

其中a代表的是方形窗内所有像素点灰度方差影响的程度，b代表的是荧屏区和边框区亮度差最小值。

参考图2，在图2的明暗边界处取一个方形窗W，局部放大后如图6所示。本实施例中，该方形窗的大小为25×25个像素，中心像素左右两侧各有12×25个像素，同时中心像素本身处于荧屏区110。经过数学计算可以得知，明暗边界处的像素在取方形窗计算后总是满足上述条件，并且该明暗边界还具有一定的、向荧屏区110方向延伸的宽度。

方形窗W的大小根据实际情况进行调整，受屏幕图像被拍摄的效果影响。当拍摄器材的分辨率很高且拍摄距离很近，则显示屏的细节信息更多，单位尺寸内的像素更多，方形窗W需要包含更多的像素数来分辨边界。反之，若拍摄器材的分辨率很低且拍摄距离很远，则显示屏的细节信息较少，单位尺寸内的像素更少，方形窗W需要包含更少的像素数来分辨边界。

上述公式g(x,y)≥m(x,y)+max{a*d(x,y),b}中，系数a和b根据屏幕图像的清晰程度进行调节。以前述的工业相机参数为例，a的取值通常在0.4左右，b的取值通常在2左右。但在不同的拍摄条件下，系数a和b应根据实际情况进行调整，均不以此为限。

步骤S114：将所述像素点集合中非连通区域滤除。经过上述步骤S112的处理，除了能够获得明暗边界以外，还可能获得一些噪声点。噪声点一般是孤立存在的，并没有与其他像素点形成连通区域。因此可通过将非连通区域滤除达到去除噪声点的目的。

在其他实施例中，步骤S110还可以采用传统的边缘轮廓检测方法。

进一步地，在步骤S110之前，还包括对所述屏幕图像进行滤波的步骤。滤波可以使屏幕图像的噪声点减少，从而减少在步骤S110的处理过程中的噪声干扰。滤波的方法为均值滤波、中值滤波、高斯滤波和双线性滤波中的一种。这些滤波方式属于较为常规的滤波方法，具体处理方式此处不再赘述。

进一步地，还可将步骤S110获得的所述明暗边界进行腐蚀以获得宽度更小的边界。这样可以减少明暗边界像素对后续处理步骤的干扰。

在获得明暗边界以后，相同的步骤依次执行两次以上，后一次执行均基于前一次执行的结果。例如一次向荧屏区110延伸的宽度d不足以包含所有的漏光区，在进行处理后，并不能获得一个闭合的漏光区130的边界。此时需要再一次向荧屏区110内延伸宽度d，并重复之前的处理。

对本实施例而言，在步骤S130中，所述设定大小的检测区为包括3×3和5×5个所述子区域的矩形区域。图7示出了包括3×3个子区域的矩形区域，其中心的子区域是待判定的子区域，即判定该中心的子区域是否属于漏光区130的边界的一部分。步骤S130中的提取判断方法包括如下步骤：

步骤S132：计算所述包含3×3个所述子区域的矩形区域内的所有像素点的灰度均值和方差δ1。

步骤S134：计算所述包含5×5个所述子区域的矩形区域内的所有像素点的灰度均值和方差δ2。

步骤S136：判断所述方差δ1和方差δ2是否均大于设定的方差阈值，若是，则将中心区的子区域标记为漏光区域的边界。

在另一实施例中，为了节省计算量，还可以仅针对矩形区域的一条对角线上的子区域进行计算。具体是：计算所述包含3×3个所述子区域的矩形区域内的位于对角线上的3个子区域的像素点的灰度均值和方差δ3；计算所述包含5×5个所述子区域的矩形区域内的位于对角线上的5个子区域的像素点的灰度均值和方差δ4。然后判断所述方差δ3和方差δ4是否均大于设定的方差阈值，若是，则将中心区的子区域标记为漏光区域的边界。

可以理解，检测区的大小或形状可以有其他选择，例如圆形检测区，更大的方形区7×7等。上述设定的方差阈值根据实际情况确定，也可以是根据多次计算和实际对比确定的经验值。

最终，标记出来的子区域形成了漏光区130的边界，从而确定了漏光区130的位置和大小。

上述方法，可采用机器视觉软件halcon编程实现。

一种屏幕漏光检测方法，可运用上述实施例的图像处理方法。在进行图像处理前，先在暗室中拍摄播放全白图像或仅显示背光的显示屏的图像。

基于上述方法，可构建全自动的屏幕漏光检测***。例如在固定位置设置显示屏检测位和拍摄器材，计算机***直接获取拍摄器材的拍摄图像，然后自动进行处理并输出结果。

相比于传统的人工检测方法，本发明的方法可以实现自动化检测，提高了效率，并且不需要非常严苛的检测环境。同时，本发明的方法并不同于一般的轮廓检测算法，不仅检测精度更高，在采集的图像质量并不十分理想的情况下也能实现准确的检测。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像检测方法，用于检测屏幕图像上的漏光区域，包括如下步骤：

检测所述屏幕图像上的明暗边界以界定荧屏区和边框区；

从所述明暗边界向荧屏区延伸设定宽度，并将获得的延伸区域进行等面积划分得到多个子区域；

提取符合以下条件的子区域，将其作为漏光区域的边界：

以所述子区域为中心的、设定大小的检测区内的像素灰度方差大于设定的方差阈值。

2.根据权利要求1所述的图像检测方法，其特征在于，在检测所述屏幕图像上的明暗边界以界定荧屏区和边框区的步骤之前，还包括对所述屏幕图像进行滤波的步骤。

3.根据权利要求2所述的图像检测方法，其特征在于，滤波的方法为均值滤波、中值滤波、高斯滤波或双线性滤波。

4.根据权利要求1所述的图像检测方法，其特征在于，所述检测屏幕图像上的明暗边界以界定荧屏区和边框区的步骤具体包括：

提取所述屏幕图像上梯度变化大于设定的变化阈值的像素点集合；

将所述像素点集合中非连通区域滤除，获得所述明暗边界。

5.根据权利要求4所述的图像检测方法，其特征在于，所述提取所述屏幕图像上梯度变化大于设定的变化阈值的像素点集合的步骤包括：

对于所述屏幕图像上的每个像素点，取以该像素点为中心的方形窗，计算所述方形窗中所有像素的灰度均值m(x,y)和方差d(x,y)，若该像素点的灰度g(x,y)满足以下条件，则将其加入明暗边界像素点集合：

g(x,y)≥m(x,y)+max{a*d(x,y),b}；

其中a代表的是方形窗内所有像素点灰度方差影响的程度，b代表的是荧屏区和边框区亮度差最小值。

6.根据权利要求4或5所述的图像检测方法，其特征在于，还包括将所述明暗边界进行腐蚀以获得宽度更小的边界。

7.根据权利要求1所述的图像检测方法，其特征在于，在获得明暗边界以后的步骤依次执行两次以上，后一次执行基于前一次执行的结果。

8.根据权利要求1所述的图像检测方法，其特征在于，所述子区域为矩形区域，包含像素数量大于100。

9.根据权利要求8所述的图像检测方法，其特征在于，所述设定大小的检测区为包括3×3和5×5个所述子区域的矩形区域，提取判断方法包括如下步骤：

计算所述包含3×3个所述子区域的矩形区域内的所有像素点的灰度均值和方差δ1；

计算所述包含5×5个所述子区域的矩形区域内的所有像素点的灰度均值和方差δ2；

判断所述方差δ1和方差δ2是否均大于设定的方差阈值，若是，则将中心区的子区域标记为漏光区域的边界；

或者提取判断方法包括如下步骤：

计算所述包含3×3个所述子区域的矩形区域内的位于对角线上的3个子区域的像素点的灰度均值和方差δ3；

计算所述包含5×5个所述子区域的矩形区域内的位于对角线上的5个子区域的像素点的灰度均值和方差δ4；

判断所述方差δ3和方差δ4是否均大于设定的方差阈值，若是，则将中心区的子区域标记为漏光区域的边界。

10.一种屏幕漏光检测方法，包括如下步骤：

在暗室中拍摄播放全白图像或仅显示背光的显示屏的图像；

采用如权利要求1～9任一项所述的图像检测方法对拍摄得到的图像进行处理。